IBM разрабатывает новый AI, максимально приближенный к возможностям человеческого мозга
Привет. В настоящее время технологии искусственного интеллекта (AI) способны проявлять, казалось бы, человеческие черты. Некоторые из них уже выполняют задачи, которые мы обычно связываем строго с человеческими - написание песен, преподавание и изобразительное искусство.
Но, по мере развития отрасли, компании и разработчики переосмысливают основы AI, исследуя наш собственный интеллект и варианты его эффективного воспроизведения с помощью машин и программного обеспечения. IBM - одна из таких компаний, они приступили к амбициозной цели - научить AI работать как человеческий мозг.
Многие существующие системы машинного обучения основаны на необходимости собирать пазл из наборов данных. Независимо от того, решается ли задача по игре в Go или по диагнозу заболеваний путем анализа изображений. Однако, этот базис машинного обучения ограничен и значительно отличается от возможностей человеческого мозга.
Мы, люди, учимся постепенно. Проще говоря, мы учимся, когда мы двигаемся по жизни. Когда мы приобретаем знания, когда мы продвигаемся вперед, наш мозг адаптируются и перерабатывает информацию по-другому, не так, как многие существующие искусственные системы. Кроме того, мы логичны. Мы используем навыки рассуждений и логику для решения проблемы, что эти системы не способны делать достаточно хорошо.
IBM стремится переломить эту ситуацию. Исследовательская группа из DeepMind создала синтетическую нейронную сеть, которая, как сообщается, использует рациональные рассуждения для выполнения задач.
Рациональное оборудование
Предоставляя несколько объектов для анализа искусственным интеллектом и ставя конкретную задачу, мы принуждаем сеть открывать новые существующие связи. В тесте сети еще в июне для анализа было представлено изображение с несколькими объектами. Сеть спрашивали, например: «Объект перед синим предметом имеет ли ту же форму, что и крошечная голубая вещь, которая находится справа от серого металлического шара? "
В этом тесте сеть правильно идентифицировала объект в 96% случаев, по сравнению с 42 - 77 процентов, показанных традиционными моделями машинного обучения. Продвинутая сеть также способна эффективно решать проблемы распознавания слов, продолжая развиваться и совершенствоваться. В дополнение к навыкам рассуждений, исследователи развивают возможность сети быть внимательной и даже создавать и хранить воспоминания.
Исследователи говорят, что для того, чтобы AI приблизиться к человеческой гибкости, ему придется научиться отвечать на более сложные вопросы. Для этого может потребоваться сравнить не только пары вещей, но и триплеты, пары пар или только некоторые пары в большем наборе (для эффективности). DeepMind моделирует определенный тип рассуждений.
Алгоритм обучения нейронных сетей, как правило, запрограммирован, и нужно проделать большую работу, чтобы методом проб и ошибок прийти к наилучшему варианту алгоритма. Было бы хорошо, чтобы сеть создавала и модернизировал себя сама, говорят разработчики.
Возможно, было бы страшно думать о самосоздании и самосовершенствовании сетей AI, но если их грамотно контролировать, это может позволить технологиям выйти за рамки существующих сегодня ограничений.
